🤵‍♂️ 个人主页：@Lingxw_w的个人主页

✍🏻作者简介：计算机科学与技术研究生在读
🐋 希望大家多多支持，我们一起进步！😄
如果文章对你有帮助的话，
欢迎评论 💬点赞👍🏻 收藏 📂加关注+

1、常见的链路预测方法

2、图神经网络上的链路预测

3、使用PyTorch和DGL库实现图神经网络进行链路预测

链路预测是指在一个给定的网络中，根据已有的网络结构信息，尝试预测两个节点之间是否存在连接或者可能会建立连接的概率。这在社交网络分析、生物信息学、推荐系统等领域中都有广泛的应用。

在复杂网络中，链路预测可以帮助我们理解网络的演化过程、发现隐藏的关系和未知的连接，以及预测未来的网络演化趋势。

1、常见的链路预测方法

基于相似性的方法：这类方法假设具有相似性的节点之间更有可能存在连接。常见的相似性度量方法包括共同邻居数、Jaccard系数、Adamic/Adar指数等。

基于路径的方法：这类方法考虑节点之间的路径信息，比如最短路径、随机游走路径等。通过分析节点之间的路径特征，可以预测节点间的连接概率。

基于机器学习的方法：这类方法使用机器学习算法来建模和预测网络中的链路。常见的机器学习算法包括决策树、随机森林、支持向量机（SVM）、神经网络等。

基于深度学习的方法：这是近年来兴起的一种方法，使用深度学习模型（如图神经网络）来学习节点的表征，并通过这些表征来进行链路预测。

链路预测并非一种绝对准确的预测方法，因为网络的演化和连接行为具有一定的随机性。

2、图神经网络上的链路预测

图神经网络（Graph Neural Networks，简称GNN）可以用于链路预测任务。GNN是一类专门用于处理图结构数据的深度学习模型，能够学习节点和边的特征表示，并在此基础上进行预测任务。

步骤：

图表示构建：首先，将原始的网络数据表示为图结构，其中节点表示网络中的实体（如用户、物品），边表示节点之间的连接关系（如关注、交互）。

节点表征学习：GNN通过多轮的消息传递和聚合操作，从节点和边的特征中学习节点的表征。这样，每个节点都会得到一个向量表示，用于捕捉其在网络中的特征和上下文信息。

边预测模型构建：在节点表征学习的基础上，可以构建一个边预测模型来预测节点之间的连接概率。一种常见的方法是使用一个全连接层或多层感知机（MLP）来将节点表征映射到一个预测分数或概率。可以使用二元分类任务来预测节点间是否存在连接，或者使用回归任务来预测连接的强度或权重。

模型训练和评估：使用已知的网络结构数据进行模型的训练，并通过验证集或交叉验证进行模型的选择和调优。评估时，可以使用一些常见的指标，如准确率、精确度、召回率、F1分数等来评估链路预测的性能。

3、使用PyTorch和DGL库实现图神经网络进行链路预测

导入必要的库，包括PyTorch和DGL。

import torch
import torch.nn as nn
import dgl

定义图神经网络模型 GNNLinkPredict，模型包含两个图卷积层，输入特征维度为2，输出特征维度为1。

# 定义图神经网络模型
class GNNLinkPredict(nn.Module):def __init__(self, in_feats, hidden_size, out_feats):super(GNNLinkPredict, self).__init__()self.conv1 = dgl.nn.GraphConv(in_feats, hidden_size)self.conv2 = dgl.nn.GraphConv(hidden_size, out_feats)def forward(self, g, features):x = torch.relu(self.conv1(g, features))x = torch.relu(self.conv2(g, x))return x

创建示例图数据 g，其中包括5个节点和7条边。定义节点特征 features，每个节点有两个特征值。定义标签 labels，表示边的连接情况。

# 构建示例图数据
# 创建一个有向图
g = dgl.DGLGraph()
g.add_nodes(5)
g.add_edges([0, 0, 0, 1, 1, 2, 3], [1, 2, 3, 2, 4, 3, 4])# 定义节点特征
features = torch.tensor([[0.2, 0.4],[0.3, 0.5],[0.4, 0.6],[0.5, 0.7],[0.6, 0.8]
])# 定义标签（边是否存在连接）
labels = torch.tensor([1, 1, 1, 0, 0, 1, 0], dtype=torch.float32)

划分训练集和测试集，使用布尔类型的掩码 train_mask 和 test_mask 表示。

# 划分训练集和测试集
train_mask = torch.tensor([True, True, True, False, False])
test_mask = torch.tensor([False, False, False, True, True])

创建图神经网络模型实例 model。

定义优化器和损失函数，这里使用Adam优化器和二分类的交叉熵损失函数。

# 创建图神经网络模型
model = GNNLinkPredict(in_feats=2, hidden_size=16, out_feats=1)# 定义优化器和损失函数
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
criterion = nn.BCEWithLogitsLoss()

进行模型训练。循环迭代多个epoch，在每个epoch中执行以下步骤

将模型设置为训练模式 model.train()。
前向传播计算预测结果 logits。
计算预测结果与标签之间的损失。
清空优化器的梯度。
反向传播计算梯度。
更新模型参数。

# 训练模型
for epoch in range(50):model.train()logits = model(g, features)pred = logits.squeeze()loss = criterion(pred[train_mask], labels[train_mask])optimizer.zero_grad()loss.backward()optimizer.step()# 打印训练损失print(f"Epoch: {epoch + 1}, Loss: {loss.item()}")

在测试集上评估模型。将模型设置为评估模式 model.eval()，然后使用训练好的模型对测试集进行预测。通过将预测结果应用sigmoid函数将其映射到0-1之间，并使用四舍五入将其转换为0或1的预测标签。计算预测准确率并输出。

# 在测试集上评估模型
model.eval()
with torch.no_grad():logits = model(g, features)pred = logits.squeeze()pred = torch.sigmoid(pred)  # 使用sigmoid函数将预测值映射到0-1之间pred_labels = torch.round(pred)  # 四舍五入为0或1的预测标签accuracy = (pred_labels[test_mask] == labels[test_mask]).float().mean()print(f"Accuracy: {accuracy.item()}")

汇总的代码：

# https://www.dgl.ai/pages/start.htmlimport torch
import torch.nn as nn
import dgl# 定义图神经网络模型
class GNNLinkPredict(nn.Module):def __init__(self, in_feats, hidden_size, out_feats):super(GNNLinkPredict, self).__init__()self.conv1 = dgl.nn.GraphConv(in_feats, hidden_size)self.conv2 = dgl.nn.GraphConv(hidden_size, out_feats)def forward(self, g, features):x = torch.relu(self.conv1(g, features))x = torch.relu(self.conv2(g, x))return x# 构建示例图数据
# 创建一个有向图
g = dgl.DGLGraph()
g.add_nodes(5)
g.add_edges([0, 0, 0, 1, 1, 2, 3], [1, 2, 3, 2, 4, 3, 4])# 添加自环
g = dgl.add_self_loop(g)# 定义节点特征
features = torch.tensor([[0.2, 0.4],[0.3, 0.5],[0.4, 0.6],[0.5, 0.7],[0.6, 0.8]
])# 定义标签（边是否存在连接）
labels = torch.tensor([1, 1, 1, 0, 0, 1, 0], dtype=torch.float32)# 划分训练集和测试集
train_mask = torch.tensor([True, True, True, False, False, False, False])
test_mask = torch.tensor([False, False, False, True, True, True, True])# 创建图神经网络模型
model = GNNLinkPredict(in_feats=2, hidden_size=16, out_feats=1)# 定义优化器和损失函数
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
criterion = nn.BCEWithLogitsLoss()# 训练模型
for epoch in range(50):model.train()logits = model(g, features)pred = logits.squeeze()loss = criterion(pred[train_mask], labels[train_mask])optimizer.zero_grad()loss.backward()optimizer.step()# 打印训练损失print(f"Epoch: {epoch + 1}, Loss: {loss.item()}")# 在测试集上评估模型
model.eval()
with torch.no_grad():logits = model(g, features)pred = logits.squeeze()pred = torch.sigmoid(pred)  # 使用sigmoid函数将预测值映射到0-1之间pred_labels = torch.round(pred)  # 四舍五入为0或1的预测标签accuracy = (pred_labels[test_mask] == labels[test_mask]).float().mean()print(f"Accuracy: {accuracy.item()}")

留下个问题有空再解决。